طراحي يك سيستم فازي-عصبي خود سازمانده با قابليت يادگيري برخط براي شناسايي سيستم هاي ديناميك غير خطي در حضور نويز

در اين مقاله ‌يك سيستم فازي-عصبي خود سازمانده با قابليت يادگيري برخط براي شناسايي سيستم هاي ديناميك غير خطي در حضور نويز ارائه شده است. اين سيستم بدون هيچ نودي در لايه پنهان شبكه ي عصبي تابع شعاعي پايه شروع به كار مي كند ودر طي فرايند آموزش چنانچه معيارهاي توليد قوانين براورده شوند يك نرون قانون جديد به سيستم اضافه مي شود. در فاز يادگيري پارامترها, الگوريتم آموزش حداقل مربعات بازگشتي با قابليت يادگيري برخط براي افزايش سرعت همگرايي به كار گرفته شده است. بعد از فرايند ايجاد قانون جديد، كارايي سيستم، محاسبه شده و قوانيني كه تأثير كمتري در كارايي سيستم دارند هرس مي شوند. نواوري هاي اصلي در اين مقاله عبارتند از 1-استفاده از معيارجديد درجه‌ي تطبيق در فاز رشد قوانين؛ 2- ارائه‌ي يك الگوريتم هرس جديدبر اساس چگالي كه چگالي تعداد دفعاتي است كه يك قانون آتش مي شود، هر بار كه يك الگو توسط يك قانون پوشش داده مي شود به چگالي آن قانون يك واحد اضافه مي شود در پايان قانوني كه كمترين مقدار چگالي را داشته باشد از بين قوانين موجود هرس مي‌شود؛ 3- ايجاد قوانين فازي بدون استفاده از الگوريتم پس انتشار خطا؛ در پايان براي بررسي عملكرد, كارايي و دقت بالاي سيستم يك مساله ي مبناكه يك سيستم غيرخطي با درجه ي غيرخطي بالاست با مدل پيشنهادي شبيه سازي شده است. نتايج نشان مي دهد كه سيستم پيشنهادي حتي با وجود نويز نسبت به ساير روش ها مي تواند با دقت بالاتر و ساختار فشرده تر سيستم هاي غيرخطي را مدل سازي كند.